第一部分商业银行数字化重构 - sas … · 营 销 方 式 高 端 客 户 ... •...
TRANSCRIPT
C o pyr ig ht © S AS I nst it ut e I nc . A l l r i g h ts r es er ved.
商业银行数字化重构
中国建设银行上海数据分析中心处长
张明焕
第一部分 商业银行数字化重构
数字化改变世界
3
• 数据的应用不仅影响到我们的衣食住行,而且颠覆了很多行业的业务模式。
• 信息数据高度集中的金融行业,业务模式正在向新的空间进阶。
无人驾驶 直销银行
数字化改变金融
无现金支付 数字化货币花呗、借呗、还呗
3
• 投资理财、公私信贷、支付结算,甚至货币本身都已面目全非。
宝宝理财
《为争夺客户而战:麦肯锡全球银行业报告(2016)》
数字化改变金融
数字化改变金融
数字化已经从根本上改变了银行业结构,创造了新的竞争者、新的客户关系,以及建立和管理金融机构的新方法。
某国际知名银行通过“数字转型”计划,成功削减工作岗位25000个,每年节约开支60亿美元,大幅度削减风险资产,一级核心资本充足率达到14.3%。被某权威机构评为2017年全球最佳银行。
传统业务模式 新兴业务模式
改变因素
银行业务模式改变,数字化转型是大势所趋
服务碎片化银行产品
依靠利息收入/佣金/费用多渠道协作少
划款为主要业务纸面流程批处理
全生态系统集中/众包客户产品/高级服务
24×7&全渠道 & 移动互联社会参与/数字合作服务和流程自动化
实时流程敏捷解决方案部署
云模式
用户体验和行为行业标准化新的竞争对手宏观经济变化监管压力
利润率降低风险与欺诈普惠金融新技术
数字化转型的三个层次
数字转型(Digital transformation)是在某一行业在引入数字技术后,所引发的模式变革和创新,而非仅仅是对传统模式增强和改良。
数字化(Digitalization)是指在政治、经济、文化、商业等社会领域引入数字技术的变革过程。
数码化(Digitization)是指把声音、图像、文字等模拟信息转化为数字编码格式。
数字银行四种业态• 对外提供了额外的数字化服务界面,但内部产品、营销、营运、管理、组织架构依旧是传统银行模式数字改良型银行
• 对外增加或仅保留数字化服务界面,内部业务流程和支持流程已部分或全部电子化、自动化和智能化数据驱动型银行
• 在数据驱动型银行内部流程全面电子化、自动化和智能化基础上,优化、微服务化内部流程,具备在内部业务流程和支持流程的各个环节引用或集成第三方产品、数据和服务的能力
功能整合型银行
• 功能整合型银行进一步演化可以发展成服务集成型平台,此类平台将渠道销售、产品设计、产品营运分隔开来;渠道,可以代销任意产品;产品设计可以结合所有金融与非金融功能;产品营运可以向任何第三方提供服务
服务集成型平台
数字化重构内容:业务模式转变
商业模式
交易为基础/银行产
品…
服务为基础/客户产
品…
经营模式
产品为中心
拼规模…
客户为中心
轻资产…
价值链条
金融服务/产品一条
龙…
综合服务/分拆合作
…
运营模式
后端高效/流程优化
…
前端数字化/客户体
验…
盈利模式
存贷利差、自产自销
…
中间业务、代销分销
…
风控模式
贷后管理/防止逃废
债…
系统预警/
反欺诈&洗
钱
…
…
…
…
数字化重构愿景:融入到客户生活当中
我每天的生活和目标
我的方式
我的退休金
孩子的教育
我的汽车
我的婚姻
我的房子
我的教育我的交通
我的健康
我的旅行
我的娱乐
我的购物
我的财务
房屋 储蓄
投资贷款
抵押贷款
保险支付
7
我的水电费
银行卡
数字化重构目标:场景化响应
通过将知识图谱、智能画像等数据资源形成共享数据,封装成具有公共接口的服务供用户调用,从而实
现数据资源的智慧共享。
数据即服务
数据访问
搜索引擎
决策引擎
……
获客与营销
合规与风控
运营与管理
产品与服务
数字化重构目标:数据即服务
数字化重构关键:从经验驱动到数据驱动
传统营销方式
高端客户
长尾客户
网点
客户经理
电子渠道
目标客户在哪里
客户的需求是什么
客户的资金去哪里
内部数据 行为数据 消费数据
客户喜好 客户想做什么 客户需求
营销方案设计 精准营销
……
大数据营销方式
激活获
客
提升
第二部分 数字化实践 :资金套现智能侦测
数字化实践:上海数据分析中心
数字化实践:工作成效
➢ 实施一批大数据应用项目
➢ 总结一套工作方法
➢ 培养一批分析人才
数字化实践原创项目(输出) 复制项目(输入)
资金套现专题概况
A信用卡套现是指持卡人不是通过正常合法手续(ATM或柜台)提取现金,而通过其他手段将卡
中信用额度内的资金以现金的方式套取,同时又有潜在不支付还款的风险。业务部门通过业务
经验积累提取业务规则,筛查可疑客户线索。但随着套现手段和方式的变化升级,需要通过新
的技术和手段进行有效识别可疑线索。
背景
C通过客户的消费和还款行为,构建交易网络圈,采用
机器学习算法建立量化模型,实现可疑套现客户的识别;对可疑套现客户实现可视化客户可疑特征展现。
整体思路
B通过人工智能、机器学习等技术拓宽套现可疑线索的识别,最大程
度的捕捉可疑的套现行为,为及时降低风险提供线索,提升信用卡
套现风险识别能力。
目标
资金套现网络逻辑
• 网络关系表由三列组成:BASENODE、NODE、NLOOP。• 其中BASENODE是表头即信用卡客户。• NODE是与BASENODE发生过(直接或间接)交易关系的所有客户组
成。NLOOP是指与BASENODE发生交易关系的客户(NODE)所属于第几层,BASENODE与自己发生交易是第0层。
客户网络关系【coll_nodebaseall】
资金套现模型开发—模型比较
建模算法 AUC GINI KS LIFT
决策树 0.89 0.79 0.68 4.3
逻辑回归 0.93 0.85 0.73 4.3
随机森林 0.93 0.86 0.74 4.6
神经网络 0.93 0.86 0.73 4.3
从指标上来看,四种模型表现都非常好,AUC值都在0.89以上,KS值都在0.68以上,前20%lift值都在4以上,并且训练集与验证集的相关模型评价指标相差很小,说明模型具有较强的稳定性,模型预测性较好,相比较而言,随机森林算法的各项指标都由于其他算法,故选择随机森林算法作为最终的模型。
资金套现验证效果及资金网络关系可视化展现
验证客户数 命中客户数 命中率
200 151 75.5%
验证结果如下表所示:
1、评分前200户中,有151户发现疑似交易异常,覆盖率75.5%
2、除151户之外,随机抽查其余评分靠前侦测客户10户,9户存在异常交易嫌疑,1户不明显。
资金套现专题所产生的业务价值
量化客户套现的可疑性
可视化资金网络圈展现
提高了业务核查的效率
通过大数据机器学习算法,实现了客户套现可疑倾向的量化预测,为快速定位可疑套现目标客户提供了重要的线索。
通过可视化资金网络圈展示,直观展现了资金流转路径,为业务核查确认提供了可视化的重要依据,为确认套现可疑提供了宝贵的线索。
通过可疑量化评分结果和可视化资金网络圈展现,极大的提高了核查的质量和效率,大大节省了人员投入,人员投入减少20%,同时使核查确认的周期缩短了一半。